Академический Документы
Профессиональный Документы
Культура Документы
Introduccin
Permiten estudiar la demanda futura, accin importante en el diseo de un producto. Relaciones relevantes:
Pronstico - Planeacin. Demanda - Ventas.
# 2
Introduccin
Es importante ver el horizonte y nivel de agregacin que se requiere para el pronstico de demanda:
Nivel Estratgico:
Largo plazo / A nivel del sector industrial.
Nivel Tctico:
Mediano plazo / A nivel de lneas de producto.
Nivel Operacional:
Corto Plazo / A nivel de producto (SKU).
Mtodos de Pronstico
Existen dos tipos:
Mtodos Cualitativos: son aquellos que dependen de
juicios.
# 4
Mtodos de Pronstico
Usos:
Uso Diseo del proceso Planeacin de la capacidad de las instalaciones Planeacin Agregada Programacin Horizonte Exactitud Nmero de Nivel Mtodo de de tiempo necesaria productos gerencial pronstico largo media uno o pocos alto cualitativos y causales largo media uno o pocos alto cualitativos y causales mediano alta pocos mediano causales y series de tiempo corto la ms alta muchos ms bajo series de tiempo la ms alta muchos ms bajo series de tiempo
# 5
Mtodos Cualitativos
Caractersticas Generales:
Seposeepocainformacin. Existealtaincertidumbre. Setieneescasacapacidaddeproceso. Horizontedemedianoolargoplazo.
Mtodos Populares
Grass Root InvestigacindeMercados PaneldeConsenso MtodoDelphi
Captulo 2: Pronsticos de Demanda # 6
Mtodos Cualitativos
1.- Mtodo Delphi:
Grupo de expertos que se rene durante varias sesiones de reconsideraciones en busca de consensos respecto a un grupo de preguntas adecuado a la situacin que se enfrenta.
Caractersticas:
Se usa en la introduccin de nuevos productos y cambios tecnolgicos. Es regular en exactitud y puntos de cambio. Posee un costo mediano o alto.
# 7
Mtodos Cualitativos
Ejemplo: Empresa que requiere pronstico de ventas a 5 aos y que posee una baja capacidad, lo que hace difcil usar ventas como informacin de demanda.
Participacin de 23 administradores. Datos: PGB, ventas del sector y ventas de la empresa por 5 aos. Varias preguntas para obligar a pensar en relaciones. Resultado: Mucha dispersin al comienzo, pero se convergi a un buen pronstico.
# 8
Mtodos Cualitativos
2.- Investigacin de Mercado:
Corresponden bsicamente a paneles, cuestionarios y pruebas de mercado. Caractersticas:
Tpicamenteseusanparaprobarnuevosproductos (yogurt)oentest polticos(encuestas). Sonbuenosacortoplazo. Relativamentecaras. Permitenidentificarpuntosdecambio
# 9
Mtodos Cualitativos
3.- Analoga a los Ciclos de Vida:
Consiste en identificar en que fase de su vida se encuentra un producto, para esto se analizan las curvas de crecimiento de productos similares. Fases: Introduccin. Crecimiento. Maduracin. Saturacin.
Ejemplos:
Juguetes. VHS.
#10
Mtodos Cualitativos
4.- Juicio Bien Informado:
Se basa slo en la experiencia y en la intuicin. Caractersticas:
Tienen un gran uso. Posee una exactitud baja. Costo bajo. Regular en la identificacin de puntos de cambio.
Ejemplo:
Edificios de departamentos.
#11
Series de Tiempo
Caractersticas:
Estos mtodos utilizan datos histricos y los proyectan a futuro. Son de corto plazo. Es necesario contar con datos internos. No captan patrones de cambio.
#12
11 13 13 15 15 17 17 19 19 21 21 23 23 25 25 27 27 29 29 11 Week Week
Captulo 1: La Funcin de Operaciones #13
Series de Tiempo
Demanda
Tiempo
Series de Tiempo
Ciclo
Demanda
Tiempo
Series de Tiempo
Componentes:
Ruido: parte aleatoria (si es muy alto es difcil hacer pronsticos). Estacionalidad. Tendencia. Nivel (base). Qu mas ?
#16
Series de Tiempo
Notacin:
Dt: Ft+1: At: et = Dt demanda observada en el perodo t. pronstico para el perodo t+1. promedio calculado para el perodo t. - Ft : error de pronstico.
#17
Series de Tiempo
1.- Promedios Mviles Simples:
Se sugiere que la serie de tiempo tiene componentes de valor promedio.
Dt + Dt +1 + ... + Dt N +1 At = N
Se toma Ft+1=At.
#18
100
80
60
40
20
0 1 3 5 7 9 11 13 15 Weeks 17 19 21 23 25 27 29
Series de Tiempo
2.- Promedios Mviles Ponderados:
Sihayvariabilidadenlademandasepuedenusarpromedios mvilesponderados,asignandomayorponderacinalosltimos perodos.
Ft +1 = At = Wt Dt + ...... + Wt N +1 Dt N +1
i =t N 1
Wi = 1
1 (caso simple, Wi = N )
No es recomendable por:
Complejidad. Sedebenllevarlosregistrosdedemandahistricos. Clculodelasponderaciones.
Captulo 2: Pronsticos de Demanda #21
80
60
40
20
0 1 3 5 7 9 11 13 15
Weeks
17
19
21
23
25
27
29
Series de Tiempo
3.- Alisamiento Exponencial Simple:
At = Dt + (1 ) At 1 Ft +1 = At
At-1 refleja la historia.
Si se cree en la ltima demanda Si se cree en la historia
0 < <1
1. 0.
#23
Series de Tiempo
El efecto de los primeros perodos se va atenuando en forma exponencial:
Ft +1 = Dt + (1 ) At 1
= Dt + (1 ) [ Dt 1 + (1 ) At 2 ] = Dt + (1 ) Dt 1 + (1 ) 2 Dt 2 + ... ... + (1 ) t D1
#24
80
60
40
20
0 1 3 5 7 9 11 13 15
Weeks
17
19
21
23
25
27
29
Series de Tiempo
4.- Alisamiento Exponencial con Tendencia:
At = Dt + (1 ) ( At 1 + Tt 1 ) Tt = ( At At 1 ) + (1 ) Tt 1 Ft + k = At + k Tt
Donde Tt es la tendencia.
#26
Weeks
Captulo 1: La Funcin de Operaciones #27
Series de Tiempo
Errores de Pronstico:
Losindicadoresdeerrorsirvenparaverenqu momento elpronsticofallaolosdatosnosirven.
Indicadores:
Desviacinmediaabsoluta:
1 MAD = Dt Ft n t
El valor ideal de MAD es cero (ie, no existe error de pronsticos). Mientras mas grande MAD, menor la precisin del modelo. MAD se usa para Compare distintos modelos de pronsticos. Elegir el mejor modelo dentro de una familia de modelos
Captulo 2: Pronsticos de Demanda #28
Sales
25
20
MAD
10
Week
188 178 168 158 148 138 128 118 108 98 88 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
18
0.5
0.6
0.7
0.8
0.9
Sales
MAD
0.4
Week
0.5
0.6
0.7
0.8
0.9
Mtodos Causales
1.- Regresin Lineal:
y = a +b x
x:
y:
i yi ) 2 = Min (a + b xi yi ) 2 Min ( y
i i
Captulo 2: Pronsticos de Demanda #30
Regresin Lineal
188 Sales
168
148
128
108
88
Week
#31
Regresin Lineal
Como resultado se obtiene:
n n xi yi xi yi i i i b= 2 2 n xi xi i i
Captulo 2: Pronsticos de Demanda #32
a=
y
i
x
i
Regresin Lineal
n xi yi xi yi i i i 2 R = 2 2 2 2 n xi xi n yi yi i i i i
Donde R2 mide la proporcin de la variacin de y explicada por x. Valores sobre 50% se consideran buenos.
Captulo 2: Pronsticos de Demanda #33
Mtodos Causales
Ejemplo:
y: x1: x2: x3: Venta de peridicos. Nmero de habitantes. Ingreso per capita. Competencia.
( y = f x, z , w)
#34
Mtodos Causales
Principales caractersticas:
Es til cuando existen fuertes relaciones causales. Uso tpico para horizontes de corto y mediano plazo. Permite identificar bien puntos de cambio. Es un mtodo caro. Requiere sofisticacin. Es fcil cometer errores.
#35
Aplicacin
Estimacin de Demanda Para una Tienda por Departamentos Modelo de 3 Factores
Elasticidad Precio
Demanda
Demanda
Demanda
Elasticidad Inventario
Estacionalidad
Tiempo
Precio
Inventario en Tienda
Demanda = Estacionalidad Elast. Precio Elast. Inventario Demanda = Estacionalidad Elast. Precio Elast. Inventario
Captulo 1: La Funcin de Operaciones #36
Aplicacin
Modelo de 3 Factores
Sweater Sport
Precio / P. Inicial
1.0 0.8
Stock / max Stock
Aplicacin
Enfoque de Estimacin Jerrquico
Datos Agrupados por Subclase yyGrupos de Tiendas Datos Agrupados por Subclase Grupos de Tiendas Estacionalidad Temporal Estacionalidad Temporal Efecto Promocin Efecto Promocin Elasticidades Precio eeInventario Promedio Elasticidades Precio Inventario Promedio
Datos Agrupados por Estilo y Grupos de Tiendas Datos Agrupados por Estilo y Grupos de Tiendas Estacionalidad Precio Especifica del Estilo Estacionalidad Precio Especifica del Estilo
Datos Agrupados por Estilo yyTienda Datos Agrupados por Estilo Tienda Factor de Ajuste Magnitud de Ventas Especfica Factor de Ajuste Magnitud de Ventas Especfica aacada Estilo yyTienda cada Estilo Tienda
Captulo 1: La Funcin de Operaciones #38
Aplicacin: Modelo
Demanda Estilo i Estacionalidad Subclase Efecto Promocin Elasticidad Precio Estilo i
Aplicacin: Resultados
Sweater Sport ML SE2005 University Club Sweater Sport ML SE2005 University Club (Alto las Condes - -Parque Arauco) (Alto las Condes Parque Arauco)
250 250
ndice de Ajuste Modelo sin Promocin 0.53 287 Modelo con Promocin 0.55 242
150 150
Real Real Modelo sin Promocin Modelo sin Promocin Modelo con Promocin Modelo con Promocin
R2 MSE
100 100
50 50
AjustemejoraalconsiderarEfectoPromocin AjustemejoraalconsiderarEfectoPromocin
Captulo 1: La Funcin de Operaciones #40
Aplicacin: Resultados
Sweater Sport ML 6884 Saville Row Sweater Sport ML 6884 Saville Row (Alto las Condes - -Parque Arauco) (Alto las Condes Parque Arauco)
30 30 25 25 Ve n ta (U n id a d e s) Ve n ta (U n id a d e s) 20 20 15 15 10 10 5 0 5 0 8 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 Semana (Invierno 2002) Semana (Invierno 2002)
R2=0,67
#41
Aplicacin: Resultados
Casaca Tela TJ21 Gianni Morelli Casaca Tela TJ21 Gianni Morelli (Alto las Condes - -Parque Arauco) (Alto las Condes Parque Arauco)
40 40 35 35 Venta (Unidades) Venta (Unidades) 30 30 25 25 20 20 15 15 10 10 5 0 5 0 7 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 34 38 39 7 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 34 38 39 Semana (Invierno 2002) Semana (Invierno 2002)
R2=0,32
Real Real Modelo Modelo
#42
Mtodos Causales
2.- Modelos Economtricos:
Sistema de ecuaciones de regresin interdependientes para describir un proceso complejo. Caractersticas:
Complejidad alta. Costo alto. Son de largo plazo. Buenos para identificar puntos de cambio.
Ejemplos:
Precio cobre. Sectores de la economa.
Captulo 2: Pronsticos de Demanda #43
Mtodos Causales
4.- Simulacin:
Caractersticas:
La simulacin de sistemas es complejo. Cara de implementar. Horizonte de corto a mediano plazo. Puede identificar puntos de cambio.
Ejemplo:
Distribucin en cadena, para ver demanda de distintos elementos. Planos de produccin, para conocer la demanda por insumos. Transporte urbano, para ver equilibrio vehicular.
Captulo 2: Pronsticos de Demanda #44
Criterios de Eleccin
1.- Sofisticacin del usuario y del sistema.
No se deben dar saltos bruscos.
#45